Resumen de Regresión con variables ortogonales y regresión alzada en el modelo STIRPAT

Claudia García García, Catalina Beatriz García García, Román Salmerón Gómez, José García Pérez

• español

  El modelo STIRPAT representa una de las metodologías más aplicadas en los trabajos sobre medio ambiente. La propia especificación de este modelo econométrico conlleva problemas de multicolinealidad. Aunque una primera opción podría ser eliminar la(s) variable(s) que genera(n) la colinealidad, esto no nos permite estimar los efectos de las consideradas principales fuerzas que provocan impactos medioambientales. Por este motivo, es necesario desarrollar o aplicar nuevos métodos que puedan mitigar este problema de colinealidad en el modelo SITRPAT. Dentro de este marco, se presentan dos regresiones alternativas a la estimación tradicional por Mínimos Cuadrados Ordinarios (MCO): la regresión alzada y la regresión con variables ortogonales. Ambas metodologías consiguen mitigar la colinealidad entre variables existente en el modelo original y, además, nos muestran dos perspectivas diferentes de las variables: mientras el método alzado se aplica desde un punto de vista geométrico, la aplicación de la regresión con variables ortogonales muestra nuevas interpretaciones de las variables

• English

  STIRPAT model is one of the most analyzed methodologies in environmental studies. The specification of this econometric model provokes multicollinearity. Although a first option could be to eliminate the variable (or variables) that generates the collinearity, it does not allow to estimate the effects of the main forces driving environmental impacts. It is necessary to develop or to apply new methods that could mitigate the collinearity problem in the STIRPAT model. This work applies two methodologies alternatives to the traditional Ordinary Least Squares (OLS) estimation: the raise regression and the regression with orthogonal variables. Both methodologies manage to mitigate the collinearity between variables that exists in the original model, and furthermore, they have two different perspectives about the variables: while the raised method has an important geometric factor in its application, the purpose of the regression with orthogonal variables is to give new interpretations of the variables